基于ATO的列车速度曲线优化

clear
close all
clc

%算法参数
N=200;          %初始种群个体数
age=100;        %最大遗传代数
pk=0.4;         %每次截杀比例期望，如100个父本希望截杀50个，pk=0.5
pm=0.01;        %变异概率

%决定参数
kpc=10;             %关键点个数，也就是变档位个数

%控表参数
L=1000;             %路程总长
m=2e5;              %车体质量
vm=80/3.6;          %中途限速
vh=60/3.6;          %车站限速
T0=90;              %运行时间
a=[0 0.2 0.4 0.6 0.8 -0.25 -0.45 -0.65];    %加速度设置
l_f=-5e-3;          %坡道0~500m
l_l=1e-2;           %坡道500~1000m
%权重系数，从左往右依次为速度防护、准时性、精准停车、舒适度、能耗
k=[0.4857 0.2728 0.1980 0.0303 0.0132];

KPC=13*kpc;
%遗传算法主程序
sample=zeros（20010‘single‘）;  %种群总基因库，每一行为一个个体的基因代码
%默认第一个关键点在坐标0
best_len=zeros（age+11）;   %记录每代最优个体适应度值
best_gene=zeros（age+1KPC‘single‘）;   %记录每代最优个体基因

%对于初代的记录
sample（:11:KPC）=logical（round（rand（NKPC-10）））;  %随机生成初始种群
[Saasample]=adjust（sampleavhvm）;               %调整初始种群
len_new=fitness（aaSakvmvhT0Lml_fl_l）;         %计算个体适应度
index=find（len_new）;        %剔除0
len_new=len_new（index）;
sample=sample（index:）;
best=find（len_new==min（len_new））;
best_len（1）=len_new（best（1））;          %记录最优个体对应适应度值
best_gene（1:）=sample（best（1）:）;  %记录最优个体基因编码

g=1;        %记录指针
while g<=age
    samples=sample;
    len_old=len_new;                %储存每代个体父代对应适应度值
    
    %杀死不良个体
    %len_old=exp（len_old-sum（len_old）/length（find（len_old）））;%为了扩大总长短的优势，故采用指数幂的方式加大差距
    sum_len=sum（len_old）;       %每个个体旅行总长之和
    index=find（len_old）;
    for i=1:length（index）
        if rand（1）            len_old（index（i））=0;
        end
    end
    index=find（len_old）;    %寻找存活的个体
    sample_new=sample（index（randperm（length（index